LoslegenKostenlos loslegen

Assoziation und Dissoziation berechnen

Die Bibliothek hat sich erneut wegen deiner Empfehlung gemeldet, Harry Potter mithilfe von Twilight zu bewerben. Sie befürchten, dass die beiden Bücher voneinander dissoziiert sein könnten, was sich negativ auf die Aktion auswirken würde. Sie bitten dich zu prüfen, ob das nicht der Fall ist.

Dir fällt sofort Zhangs Metrik ein, die Assoziation und Dissoziation kontinuierlich misst. Assoziation ist positiv, Dissoziation negativ. Wie in den vorherigen Übungen wurden der DataFrame books sowie numpy unter dem Alias np bereits importiert. Zhangs Metrik wird wie folgt berechnet:

$$Zhang(A \rightarrow B) = $$ $$\frac{Support(A \& B) - Support(A) Support(B)}{ max[Support(AB) (1-Support(A)), Support(A)(Support(B)-Support(AB))]}$$

Diese Übung ist Teil des Kurses

Market Basket Analysis in Python

Kurs anzeigen

Anleitung zur Übung

  • Berechne den Support von {Twilight} und den Support von {Potter}.
  • Berechne den Support von {Twilight, Potter}.
  • Vervollständige den Ausdruck für den Nenner.
  • Berechne Zhangs Metrik für {Twilight} \(\rightarrow\) {Potter}.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Compute the support of Twilight and Harry Potter
supportT = books['Twilight'].____
supportP = books['Potter'].____

# Compute the support of both books
supportTP = ____.mean()

# Complete the expressions for the numerator and denominator
numerator = supportTP - supportT*supportP
denominator = ___(supportTP*(1-supportT), supportT*(supportP-supportTP))

# Compute and print Zhang's metric
zhang = ____ / ____
print(zhang)
Code bearbeiten und ausführen